如何修复 DataImportHandler 中的 java OutOfMemoryError: Java 堆空间？

Question

我正在尝试将大型数据集（4100 万条记录）导入到新的 Solr 索引中。我已经设置了核心，它可以工作，我插入了一些测试文档，它们可以工作。我已按如下方式设置 data-config.xml，然后开始完全导入。大约12小时后！导入失败。

文档大小可能会变得相当大，错误是否是由于文档（或字段）较大或由于进入 DataImportHandler 的数据量所致？

我怎样才能让这个令人沮丧的导入任务发挥作用！？！

我在下面包含了 tomcat 错误日志。

如果有任何我错过的信息，请告诉我！

日志：

Jun 1, 2011 5:47:55 PM org.apache.solr.handler.dataimport.JdbcDataSource$1 call
INFO: Creating a connection for entity results with URL: jdbc:sqlserver://myserver;databaseName=mydb;responseBuffering=adaptive;selectMethod=cursor
Jun 1, 2011 5:47:56 PM org.apache.solr.handler.dataimport.JdbcDataSource$1 call
INFO: Time taken for getConnection(): 1185
Jun 1, 2011 5:48:02 PM org.apache.solr.core.SolrCore execute
INFO: [results] webapp=/solr path=/dataimport params={command=full-import} status=0 QTime=0
...
Jun 2, 2011 5:16:32 AM org.apache.solr.common.SolrException log
SEVERE: Full Import failed:org.apache.solr.handler.dataimport.DataImportHandlerException: java.lang.OutOfMemoryError: Java heap space
    at org.apache.solr.handler.dataimport.DocBuilder.buildDocument(DocBuilder.java:664)
    at org.apache.solr.handler.dataimport.DocBuilder.doFullDump(DocBuilder.java:267)
    at org.apache.solr.handler.dataimport.DocBuilder.execute(DocBuilder.java:186)
    at org.apache.solr.handler.dataimport.DataImporter.doFullImport(DataImporter.java:353)
    at org.apache.solr.handler.dataimport.DataImporter.runCmd(DataImporter.java:411)
    at org.apache.solr.handler.dataimport.DataImporter$1.run(DataImporter.java:392)
Caused by: java.lang.OutOfMemoryError: Java heap space
    at java.lang.StringCoding$StringDecoder.decode(Unknown Source)
    at java.lang.StringCoding.decode(Unknown Source)
    at java.lang.String.<init>(Unknown Source)
    at java.lang.String.<init>(Unknown Source)
    at com.microsoft.sqlserver.jdbc.DDC.convertStreamToObject(DDC.java:419)
    at com.microsoft.sqlserver.jdbc.ServerDTVImpl.getValue(dtv.java:1974)
    at com.microsoft.sqlserver.jdbc.DTV.getValue(dtv.java:175)
    at com.microsoft.sqlserver.jdbc.Column.getValue(Column.java:113)
    at com.microsoft.sqlserver.jdbc.SQLServerResultSet.getValue(SQLServerResultSet.java:1982)
    at com.microsoft.sqlserver.jdbc.SQLServerResultSet.getValue(SQLServerResultSet.java:1967)
    at com.microsoft.sqlserver.jdbc.SQLServerResultSet.getObject(SQLServerResultSet.java:2256)
    at com.microsoft.sqlserver.jdbc.SQLServerResultSet.getObject(SQLServerResultSet.java:2265)
    at org.apache.solr.handler.dataimport.JdbcDataSource$ResultSetIterator.getARow(JdbcDataSource.java:286)
    at org.apache.solr.handler.dataimport.JdbcDataSource$ResultSetIterator.access$700(JdbcDataSource.java:228)
    at org.apache.solr.handler.dataimport.JdbcDataSource$ResultSetIterator$1.next(JdbcDataSource.java:266)
    at org.apache.solr.handler.dataimport.JdbcDataSource$ResultSetIterator$1.next(JdbcDataSource.java:260)
    at org.apache.solr.handler.dataimport.EntityProcessorBase.getNext(EntityProcessorBase.java:78)
    at org.apache.solr.handler.dataimport.SqlEntityProcessor.nextRow(SqlEntityProcessor.java:75)
    at org.apache.solr.handler.dataimport.EntityProcessorWrapper.nextRow(EntityProcessorWrapper.java:238)
    at org.apache.solr.handler.dataimport.DocBuilder.buildDocument(DocBuilder.java:591)
    ... 5 more

Jun 2, 2011 5:16:32 AM org.apache.solr.update.DirectUpdateHandler2 rollback
INFO: start rollback
Jun 2, 2011 5:16:44 AM org.apache.solr.update.DirectUpdateHandler2 rollback
INFO: end_rollback

data-config.xml：

<dataConfig> 
  <dataSource type="JdbcDataSource" 
        driver="com.microsoft.sqlserver.jdbc.SQLServerDriver" 
        url="jdbc:sqlserver://myserver;databaseName=mydb;responseBuffering=adaptive;selectMethod=cursor"   
        user="sa" 
        password="password"/> 
  <document> 
    <entity name="results" query="SELECT fielda, fieldb, fieldc FROM mydb.[dbo].mytable WITH (NOLOCK)"> 
      <field column="fielda" name="fielda"/><field column="fieldb" name="fieldb"/><field column="fieldc" name="fieldc"/> 
    </entity> 
  </document> 
</dataConfig> 

solrconfig.xml 片段：

<indexDefaults>
    <useCompoundFile>false</useCompoundFile>
    <mergeFactor>25</mergeFactor>
    <ramBufferSizeMB>128</ramBufferSizeMB>
    <maxFieldLength>100000</maxFieldLength>
    <writeLockTimeout>10000</writeLockTimeout>
    <commitLockTimeout>10000</commitLockTimeout>
  </indexDefaults>
  <mainIndex>
    <useCompoundFile>false</useCompoundFile>
    <ramBufferSizeMB>128</ramBufferSizeMB>
    <mergeFactor>25</mergeFactor>
     <infoStream file="INFOSTREAM.txt">true</infoStream>
  </mainIndex>

Java 配置设置：init mem 128mb，最大 512mb

环境： 索尔3.1 雄猫7.0.12 视窗服务器2008 java：v6更新25（内部版本1.6.0_25-b06） （数据来自：sql 2008 r2）

/admin/stats.jsp - DataImportHandler
    Status : IDLE
    Documents Processed : 2503083
    Requests made to DataSource : 1
    Rows Fetched : 2503083
    Documents Deleted : 0
    Documents Skipped : 0
    Total Documents Processed : 0
    Total Requests made to DataSource : 0
    Total Rows Fetched : 0
    Total Documents Deleted : 0
    Total Documents Skipped : 0
    handlerStart : 1306759913518
    requests : 9
    errors : 0 

编辑：我当前正在运行sql查询来找出最大的单个记录的字段长度，因为我认为这可能是异常的原因。另外，使用 jconsole 再次运行 import 以监视堆使用情况。

编辑：阅读 solr 性能因素页面。将 maxFieldLength 更改为 1000000 并更改 ramBufferSizeMB = 256。现在进行另一次导入运行（是的...）

Answer 1

Caused by: java.lang.OutOfMemoryError: Java heap space
    at java.lang.StringCoding$StringDecoder.decode(Unknown Source)
    at java.lang.StringCoding.decode(Unknown Source)
    at java.lang.String.<init>(Unknown Source)
    at java.lang.String.<init>(Unknown Source)
    at com.microsoft.sqlserver.jdbc.DDC.convertStreamToObject(DDC.java:419)

很明显 MS JDBC 驱动程序内存不足。许多 JDBC 驱动程序可以默认一次性在内存中获取所有结果。因此，看看是否可以对此进行调整，或者考虑使用开源 JTDS 驱动程序，该驱动程序通常表现得更好，无论如何

我不相信 maxfieldlength 会帮助您 - 这会影响 Lucene 截断的数量，但不会影响最初传输的数量。另一种选择是一次仅传输一个选择，例如 100 万个，使用 TOP 和 ROWNUMBER 等进行分页。

Answer 2

通过手动批处理查询，我能够使用 jdbc 成功将大型表导入到 Sql Server，而不会遇到内存不足错误。在我的例子中，有 256 个批次：

data-config.xml：

<dataConfig> 
  <dataSource  
      type="JdbcDataSource" 
      driver="com.microsoft.sqlserver.jdbc.SQLServerDriver"
      url="jdbc:sqlserver://myserver;databaseName=mydb;responseBuffering=adaptive;selectMethod=cursor"   
      user="sa" 
      password="password" 
      autoCommit="true" 
      batchSize="10000" /> 
  <document> 
    <entity 
        name="batch"
        query="
          with Batch as (
            select 0 BatchId
            union all 
            select BatchId + 1
            from Batch
            where BatchId < 255
          ) 
          select BatchId FROM Batch OPTION (MAXRECURSION 500)
        "
        dataSource="JdbcDataSource"
        rootEntity="false">
      <entity name="results" query="SELECT fielda, fieldb, fieldc FROM mydb.[dbo].mytable WITH (NOLOCK) WHERE CONVERT(varbinary(1),fielda) = ${batch.BatchId}"> 
        <field column="fielda" name="fielda"/><field column="fieldb" name="fieldb"/><field column="fieldc" name="fieldc"/> 
      </entity> 
    </entity> 
  </document> 
</dataConfig>

父实体 batch 是一个递归 sql server CTE，返回字节值 0-255。这用于过滤子实体结果。

注1： where 条件（即 CONVERT(varbinary(1),fielda) = ${batch.BatchId} ）应根据类型和内容进行调整分区字段，以便将结果分区为相等的批次。例如，如果 fielda 是数字，则使用 fielda % 255 = ${batch.BatchId}。就我而言，fielda 是一个唯一标识符，因此第一个字节就足够了。

注2：batch实体上的rootEntity="false"是必填项，表示batch实体是<强>不是根文档。

Answer 3

对于 mysql，它可以工作

根据 solr wiki，

DataImportHandler 被设计为逐一流式传输行。它将获取大小值（默认值：500）传递给 Statement#setFetchSize，某些驱动程序不支持该值。对于 MySQL，将 batchSize 属性添加到 dataSource 配置，值为 -1。这会将 Integer.MIN_VALUE 作为获取大小传递给驱动程序，并防止大型表内存不足。

应该看起来像：

<dataSource type="JdbcDataSource" name="ds-2" driver="com.mysql.jdbc.Driver" url="jdbc:mysql://localhost:8889/mysqldatabase" batchSize="-1" user="root" password="root"/>

Answer 4

<块引用>

您的 java 配置设置可能不足以完成此作业：init mem 128mb，最大 512mb

尝试这个cargo cult修复OutOfMemoryError：增加堆大小
如果你能负担得起的话，让它 -Xmx1024M 或更多，初始 512M -Xms512M

Answer 5

我发现对于大型记录集，事情可能会变得有点棘手。你确实有几个选择。

快速且最可能的最佳选择是为索引系统分配更多内存！内存（大部分）非常便宜。

我可能尝试的另一件事是对数据进行分块。

根据“文档”的大小，41M 文档可能会让您在搜索时陷入困境。您可能想要对文档进行分片。使用 DIH 时，我尝试使用查询字符串参数来促进分区。您可以通过在查询语句中使用 ${dataimporter.request.MYPARAMETERNAME} 引用传递到 DHI 的适当参数来执行此操作。